В 2019 году Организация объединенных наций представила доклад, в котором говорилось, что под угрозой исчезновения окажутся около миллиона видов растений и животных или 25% всего живого мира. В списке Международного союза охраны насчитывается более 120 тыс. таких видов, а еще по 17 тыс. недостаточно информации для их сохранения. Исследователи всего мира ищут способы поддерживать биоразнообразие на Земле. В своей работе, в частности, они активно применяют технологии искусственного интеллекта.
Как это работает
Традиционно наблюдение за животными строилось на полевых исследованиях, которые проводили специалисты-люди. Однако эта работа требует много времени, дорога и трудоемка. Кроме того, человек не может проникать всюду, а его персональная оценка может быть необъективной. Наконец, человеческое присутствие может вредить диким животным, их средам обитания и быть опасным для самих наблюдателей.
Эти ограничения значительно затрудняют понимание географических ареалов, плотности и разнообразия популяций, что приводит к ошибочным прогнозам и препятствует принятию быстрых и эффективных мер. Например, недостаточный мониторинг стал причиной неверной стратегии по сохранению приматов.
Машинное обучение предлагает альтернативу человеческим исследованиям. Алгоритмы обучаются на основе данных, снабженных специальными метками (виды животных и т.д.), а затем строят прогнозы на основе новых данных.
Анализ популяции по фото
Специалисты Института трансляционной аналитики данных (TDAI) в Университете штата Огайо используют машинное обучение для облегчения процедуры мониторинга видов. Они извлекают биологические данные из фотографий и видео.
Команда разработала платформу с открытым исходным кодом под названием Wildbook, которая помогает исследователям собирать и анализировать фотографии. Также она обучила алгоритм исследовать черты биологических видов, например, окрас пятен или длину плавника. Алгоритм сканирует общедоступные изображения определенного вида, используя разные источники — от социальных сетей до оцифрованных музейных коллекций. Платформа уже автоматически проанализировала 17 млн изображений.
При анализе ИИ может сканировать детали, которые люди, скорее всего, не заметят, например, цветовую гамму крыльев у тигрового мотылька. Более раннее исследование показало, что человеческий глаз не способен отличить генотипы самцов древесных тигровых мотыльков разного возраста.
Команда внедряет алгоритмы, которые на основе анализа массивов данных генерируют средние значения для различных узорчатых животных, таких как леопарды, зебры и китовые акулы. Затем они анализируют, где эти значения изменяются больше всего. Это позволяет отслеживать животных неинвазивно и без GPS-ошейников, оценивать численность популяции, понимать модели миграции и многое другое.
Цель проекта состоит в том, чтобы помочь исследователям дикой природы преодолеть проблему нехватки данных и предложить меры защиты для животных, которым грозит исчезновение.
Так, платформа отсканировала 11 тыс. изображений китовых акул, чтобы помочь исследователям идентифицировать отдельных особей и отслеживать их перемещение. Это позволило получить обновленную информацию о размере популяции. Благодаря этому Международный союз охраны природы изменил природоохранный статус китовой акулы с «уязвимого» на «находящийся под угрозой исчезновения».
Теперь ученые начали сотрудничать с исследователями, изучающими леопардов в Индии, чтобы сравнить образцы пятен у взрослых особей и их потомства с помощью алгоритмов.
Обнаружение малоизвестных видов
Исследователи из Норвежского университета науки и технологий по просьбе Международного союза охраны природы с помощью машинного обучения проанализировали, что происходит с теми видами животных и растений, о которых не удалось собрать достаточно данных для обычного наблюдения. Они использовали информацию о 28 363 хорошо изученных видах животных. Эксперты обучили алгоритм прогнозировать риск исчезновения 7 699 видов, о которых существует недостаточно данных. Алгоритм учитывал факторы деятельности человека — например, производство гидроэлектроэнергии или загрязнение пластиком.
Исследователи установили, что 56% этих видов находятся под угрозой исчезновения. В наиболее уязвимом положении оказались амфибии — в этом классе могут вымереть 85% малоизученных видов. В список вошли малийская визжащая лягушка, пятнистая узкоротая лягушка и другие виды. В 76% случаев предсказания алгоритма оказались правильными.
Авторы работы отметили, что их инструмент позволит обеспечить точную и быструю предварительную оценку для внесения вида в Красную книгу, облегчить эту процедуру и сделать ее более объективной.
Платформы анализа фотоловушек
Исследователи создают инструменты на машинном обучении для того, чтобы анализировать данные о популяциях в мировом масштабе и даже привлекать к этому процессу обычных добровольцев. Так, глобальная платформа машинного обучения Wildlife Insights собирает данные о популяциях диких животных в режиме реального времени для мониторинга. Ее разработали Conservation International, Музей естественных наук Северной Каролины, Смитсоновский институт, Общество охраны дикой природы и Google.
Wildlife Insights обучили на данных Международного союза охраны природы для мониторинга охраняемых территорий. Она генерирует данные с фотоловушек по всему миру.
С помощью Wildlife Insights исследователи могут получать доступ к глобальным данным о дикой природе, обмениваться ими и анализировать, чтобы предлагать природоохранные мероприятия.
В платформу встроены два основных модуля: служба идентификации диких животных (WIS) и модуль аналитики. WIS работает на базе нейросети с классификатором, предварительно обученной для встраивания изображений из Inception — модели, которая широко используется в обработке изображений для идентификации объектов. Модель обучают на размеченных данных с временными и геопространственными метками. WIS уже обработала 18 млн таких изображений и постоянно переобучается на новых данных.
Получаемая с помощью Wildlife Insights информация позволит отслеживать состояние природоохранных зон и планировать мероприятия для более эффективного сохранения видов.
А компания по обработке данных Appsilon в 2020 году объединилась с Университетом Стерлинга в Шотландии и Агентством национальных парков Габона (ANPN) для разработки алгоритма классификации изображений Mbaza AI. Он позволяет проводить мониторинг биоразнообразия в габонских национальных парках Лопе и Вака.
Защитники природы расставили фотоловушки для съемки различных видов животных, в том числе африканских лесных слонов, горилл, шимпанзе и панголинов. Для обучения алгоритма они использовали большой набор данных из более чем 1,5 млн изображений из нескольких стран и с разных моделей фотоловушек. После обучения Mbaza AI задействовали для анализа более 50 тыс. изображений, собранных с 200 таких фотоловушек. Он классифицирует до 3 тыс. изображений в час с точностью до 96%. Теперь специалисты по охране природы могут наблюдать за животными и отслеживать их, а также быстро обнаруживать аномалии или тревожные знаки. В настоящее время проект работает с сотнями фотоловушек.
Отслеживание миграции популяций
Для того чтобы защитить определенный вид, нужно знать территорию его обитания. Это позволяет создавать охраняемые ареалы. Однако визуально определить местонахождение животных бывает сложно, особенно в труднодоступной среде. К примеру, горбатые киты издают характерные звуки, которые способны распространяться под водой на сотни километров. Национальная океаническая и атмосферная ассоциация (Noaa) использует в районе островов Тихого океана акустические регистраторы для наблюдения за популяциями морских млекопитающих в труднодоступных местах. За 14 лет наблюдений исследователи накопили около 190 тысяч часов акустических записей. Затем они решили подключить Google AI, чтобы использовать машинное обучение для распознавания пения горбатых китов.
Разработанный инструмент позволил идентифицировать песни горбатых китов в наборе данных и выявить закономерности их миграции в районе Гавайских и Марианских островов. Также ученые обнаружили, что морские млекопитающие приплывают к рифу Кингман, где ранее не было замечено их присутствие. Модель смогла точно определить местоположение китов в 97% случаев. Теперь исследователи могут оценить, как менялись маршруты миграции китов во времени под влиянием антропогенных факторов.
Трекинг поведения животных
Изучить состояние популяции помогает информация о том, как меняется поведение внутри нее. Исследователи из Центра перспективных исследований коллективного поведения Констанцского университета и Института поведения животных имени Макса Планка разработали инструмент машинного обучения DenseNet, который позволяет отслеживать изменение положения тела животных с высокой скоростью и точностью. Алгоритм способен правильно измерять положение животных на изображениях после того, как его обучили всего на 100 примерах. DeepPoseKit можно применять для изучения диких животных в сложных полевых условиях.
Изучение поведения видов позволит исследователям узнать, как живет и развивается популяция, а также как она взаимодействует с окружающей средой. Инструмент можно применять при изучении разных видов — от мух, саранчи и мышей в контролируемых лабораторных условиях до крупных млекопитающих в дикой природе.
Подобных инструментов отслеживания становится все больше, что упрощает дистанционный трекинг поведения животных.
Более того, инструменты машинного обучения используют для индивидуальной идентификации животных в популяции. Так, исследователи университета Киото и проекта Bossou Archive применили методы распознавания лиц к набору данных из 1 млн изображений 23 видов шимпанзе в Гвинее. Точность распознавания превысила 90%. Алгоритм успешно распознавал, в частности, пол шимпанзе. Авторы разработки отмечают, что эти знания позволят автоматически отслеживать естественные демографические процессы в диких популяциях. Так, ученые выяснили, что с конца 2003 года размер сообщества шимпанзе резко сократился из-за эпидемии, которая вызвала значительные демографические изменения, и теперь оно стремительно стареет.
Теперь исследователи намерены усовершенствовать свою систему, чтобы она могла идентифицировать и отслеживать жизнь отдельных особей даже на необработанном потоковом видео, то есть прямо с камер. Это поможет природоохране, так как позволит анализировать ключевые события в истории дикого сообщества.
22 ноября состоится форум RBC.Tech о технологиях, меняющих бизнес. Ведущие эксперты из разных отраслей поделятся своим опытом по внедрению инноваций, а также расскажут о технологических инструментах для решения конкретных бизнес-задач.